零样本图像分类是一种借助图像的视觉特征以及语义特征,从已见类别中学习得到分类信息,并在未见类别中完成分类目的图像分类方法,它对于图像分类有着极其重要的作用。目前的机器学习算法虽然可以达到对图像分类的目的,但这依赖于大量标注的训练样本。然而,当今大数据时代信息繁杂以及存在某些特殊样本采集困难的问题,此现状给模型训练带来了瓶颈,由此催生零样本图像分类学习,它能够有效地解决对未知类样本进行分类的问题。现阶段,寻找视觉空间和语义空间嵌入关系以进行知识迁移是零样本图像分类的主流。然而,由于已见类样本和未见类样本数据结构不一致导致的领域漂移问题严重影响算法的分类性能。另一方面,训练时源类样本倾向于被投影到源类语义特征锚点附近,导致测试时测试样本易倾向于被分到源类中,产生强偏置问题。针对上述问题,本文从不同方向对算法进行了改进,内容如下:1、针对源域和目标域样本特征结构不一致而导致的领域漂移问题,本文提出了基于双重自编码器的零样本图像分类模型(Double Autoencoder,DAE)。DAE算法结合了语义自编码器模型,在视觉特征和语义特征中引入公共空间,利用双自编码器使语义特征指导视觉特征去冗余、视觉特征引导语义特征填补缺失语义。DAE有效保留了更多视觉特征和语义特征在互相嵌入过程中具有判别性的特征,提升了模型的迁移能力从而有效解决领域漂移问题。在5个常用数据集上定性及定量的实验结果表明,DAE具有较好的性能。2、针对测试样本在嵌入空间中靠近源域样本特征锚点产生的强偏置问题,本文提出了基于关系度量的零样本图像分类(Relation Measurement for Zero-Shot Learn-ing,RMZSL)。RMZSL 直接从语义差异关系角 度入手,不仅使用了 原始的语义信息,同时使用了不同类别语义之间的差异信息作为辅助表示;同时,在嵌入空间中设计语义中心正则项使得嵌入特征很好地分开;最后,结合关系度网络学习训练了一个更利于分类的神经网络。RMZSL充分利用了语义之间的差异信息,使得嵌入特征在子空间中更能描述样本的原始特征结构,有效缓解了强偏置问题。在常用的5个数据集上定性以及定量的实验表明,对于广义零样本学习任务而言RMZSL能够有效地缓解强偏置问题。